基于深度学习和心脏病学数据的胎儿状态实时分类
Kwang-Sig Lee1, Eun Saem Choi2, Young Jin Nam3
1AI Center, Korea University College of Medicine, Seoul, Korea.
Journal of medical systems
|August 3, 2023
概括
这项研究引入了使用卷积神经网络 (CNN) 进行实时胎儿状态分类的深度学习模型,通过心脏病学数据进行分类. 该系统在移动和专家平台上实现了高精度,增强了产前监测.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 胎儿监测 胎儿监测 胎儿监测
背景情况:
- 心脏图谱 (CTG) 对于评估胎儿健康至关重要.
- 对CTG数据的实时分析可以改善及时的临床决策.
- 目前的方法可能缺乏可访问性或实时处理能力.
研究的目的:
- 开发和评估用于同时实时胎儿状态分类的深度学习模型.
- 为了比较1D CNN在移动应用程序上的性能与计算机服务器上的2D CNN.
- 评估卷积神经网络 (CNN) 在分析心电图 (CTG) 数据中的效率和准确性.
主要方法:
- 利用了来自5249 (或4833) 名患者的141,001个CTG痕迹.
- 训练有素的1维 Resnet CNN用于移动应用程序和2维 Resnet CNN用于计算机服务器.
- 胎儿心率和子宫收缩被用作分类正常/异常或正常/中等/异常胎儿状态的预测指标.
主要成果:
- 1D CNN实现了94.9%的灵敏度,91.2%的特异性和93.0%的平均值.
- 2D CNN实现了98.0%的灵敏度,99.5%的特异性和98.7%的和平均值.
- 平均推断时间为每1000张图像6.51微秒,显示出高效率.
结论:
- 深度学习模型,特别是CNN,提供了一种高效准确的实时胎儿状态分类方法.
- 开发的系统通过移动应用程序为孕妇提供同时实时分析,通过计算机服务器为数据专家提供数据分析.
- 这项技术有可能显著提高产前护理和监测可访问性.
